下载:
-
依托于网络信息技术、人工智能技术和控制技术的进步和应用，人工智能产品得以加速发展。仅以智能家居产品为例，据中国产业信息网公布，2019年全球智慧家庭市场空间已达到1 030亿美元；2020年6月1日，天猫618正式开售，天猫精灵智能家居一分钟销售额破一亿元。然而，以上这些销售数据的构成中，除了人工智能（Artificial Intelligence，AI）产品提供的服务功能和创造的经济价值以外，消费者对AI产品的感知和评价更应该受到商家和学术界的关注。AI产品能够提供精准的用户需求服务，为消费者提供了革命性的生活体验，消费者的消费诉求发生改变，消费者享受着AI产品带来的便利，同时也期待拥有更高质量的智慧生活。面对千人千面的需求，为满足用户需求并增强用户体验，AI产品应创造并传递何种产品价值呢？
为顾客创造感知价值成为企业吸引消费者并获得竞争优势的源泉，产品或服务所提供的价值应包括功能价值、情感价值和社会价值[1]。区别于传统产品，人工智能技术的应用可以提升用户与产品的交互体验，更好地提升顾客感知价值，即顾客在产品的使用或交互过程中所产生的一系列认知和情感反应，如对产品的功能价值认知，“这个产品能帮助我完成任务”；情感价值认知“这个产品可以帮我缓解压力，获得愉悦的情绪”；社会价值认知“这个产品可以为我带来认同感”等。当你进入房间时，客厅温度已经自动调至温暖适宜；当你想要放松一下，只需要轻声呼唤，智能音箱为你播放你喜爱的歌曲；清晨，伴随着你的醒来，智能窗帘悄然展开，为你迎来和煦的阳光……AI产品可以提供管理、监测、支持、响应服务。特殊的2020年，疫情催生了“宅经济”的快速发展，AI产品因其无接触式的交互方式正成为消费新趋势，在这种特殊的购物环境中，消费者会权衡产品所能带来的价值并做出认知判断。用户根据产品属性的认知产生感知偏好，并对是否达到产品使用目标进行评价[2]。对顾客感知价值的分析将有助于帮助商家了解用户对产品的价值诉求，在掌握用户需求的基础上实施有效的决策。
AI产品的特点之一在于拟人化，AI产品可以通过各类新兴传感器实现智能化人机交互，提高与用户的交互程度[3]；同时，AI产品可以通过图像识别技术和语言处理技术进一步提升产品的智能化和情感化程度，强化其拟人化特征。以智能家居物联网为例，智能家居产品可以进行语音控制、响应速度快、自然度高、多任务实时工作，产品的拟人化不仅可以降低用户对风险的感知、还可以提升感知流畅性，拟人化的交互过程为用户提供了特殊的社会联系以及交流的满足感，从而形成了用户与产品间的情感纽带[4]。对于用户来说， 智能家居产品更像是一个智能助手来帮助用户完成各项工作，可以优化消费者的生活方式，解放人们的双手，让家居生活更加舒适、安全、高效、宜人。本研究以智能家居产品作为研究对象，分析用户与智能家居产品的情感联结对顾客满意度的影响。
近年来，对顾客满意度的研究多从以下三个角度展开：第一，以顾客满意度作为核心变量，探讨产品质量、服务等企业相关变量对顾客满意度的影响，期望发展并完善以满意度为核心的企业战略框架；第二，以满意度为前因变量，探讨满意度对顾客忠诚、顾客信任等因素的影响；第三，从交易成本、自我效能等视角探讨电子商务环境中顾客满意度的影响因素。但是，关于顾客满意度模型理论仍存在一些缺陷和不足，一方面驱动因素概念重叠，另一方面中介变量选取不当。现有文献并未解决以下问题：顾客对AI产品的接受和采用过程中，对AI产品是如何感知的？顾客感知价值是如何影响到消费者的在线购买决策的？用户与AI产品的情感联结又受到何种因素的影响？对于AI产品，商家应如何提高顾客的感知价值，进而提升顾客满意度？
为了弥补理论缺失，解决上述实践问题，本文在现有顾客满意度的研究基础上，根据顾客感知价值的测量维度、作用机制等相关理论，以顾客感知价值为自变量，以顾客满意度为因变量，以智能家居产品为研究对象，对使用过智能家居产品的868个被调查者进行数据收集，考察顾客感知价值对顾客满意度的影响。此外，由于AI产品与用户的交互程度不同，用户对产品的感知和判断也存在不同，所以本文引入自我—人工智能联结作用作为研究变量。同时，基于USP理论——产品或企业应为消费者创造独特的产品体验、满足不同用户的不同需求，验证个性化服务在顾客满意度模型中的调节作用。
综上所述，本研究试图探讨AI产品的顾客满意度的评价模型，分析顾客感知价值对顾客满意度的影响机制，以及顾客满意度模型中的中介变量。研究结论将有助于企业了解消费者对AI产品的需求和评价标准，更好地结合自身特点，有针对性的进行AI产品开发，提升企业的竞争优势和消费者的满意度。
-
根据认知—情感模型，顾客满意度是由用户的认知和情感共同作用产生的。在本文的研究情境下，认知的先导因素是顾客感知价值，而情感反应主要是自我—人工智能的情感联结和顾客满意度。先前的研究表明消费者的主观认知会对其情感反映、判断产生一定的影响。因此，本文旨在探究顾客的主观认知（顾客感知价值）对其情感和评价（自我—人工智能联结和顾客满意度）的影响。
-
顾客感知价值能够体现消费者对产品在多个方面的衡量，包括功能、服务、经济和社会等方面。关于顾客感知价值的定义和维度划分存在不同的解释，顾客感知价值的具体内涵目前可分为三个角度：一是双因素比较视角，Gale和 Wood[5]、Ulaga等[6]认为，消费者会对产品本身的性能和价格进行比较的同时，将产品与市场上的竞品比较，从而获得产品的感知价值[5-6]。二是单一视角，董大海等[7]认为感知价值是消费者对感知利得和感知利失进行衡量之后的结果；三是整体视角，Zeithaml[8]、范秀成和罗海成[9]、王伟等[10]认为顾客感知价值是消费者对某一产品的主观认知，是对产品及其服务等所有因素的整体认知和感受。关于顾客感知价值的维度探究有两种分类方式，一是局部分类模式（感知利得和感知利失角度），以Parasuram 和 Zeithaml[11]为代表的学者认为顾客感知价值应包含产品质量、属性，产品价格等；三是Monroe[12]提出的整体分类模式（产品质量和消费者心理角度），以Sheth等[13]、 Keller[14]和Wang等[15]认为顾客感知价值应包含功能价格、功能成本、情感、社会等。本文认为在AI产品的使用背景下，顾客感知价值是顾客对产品的使用过程或交互过程和结果的主观感知，维度划分选取Sweeney和Soutar[16]所提出的三个维度构成模式：功能感知价值、享乐感知价值和社会感知价值。
顾客满意度是顾客在消费后或产品使用后的评价结果，是结合认知和情感的综合评价。Oliver[17]认为顾客满意度是顾客对产品（服务）本身或所具备的特征满足自身需求程度的判断。总结以往研究，对顾客满意度的影响因素探究主要集中于：顾客期望、顾客需要、感知绩效、公平理论、顾客欲望等因素。同时，顾客满意度的研究分为某次特定交易的满意和累积性满意程度。特定交易的满意度是指顾客在购买某一产品（服务）之后对特定产品（服务）的针对性信息；累积性满意度是指顾客对以往所购买的所有商品（服务）的全部经历的整体评价[18-19]。鉴于AI产品属于非消耗品，因此本研究侧重于累积性顾客满意度的探究。
顾客满意度是消费者行为学中一个重要的研究主题，而顾客感知价值则是顾客满意度中的一个重要议题，但基于两者之间的全过程、全要素的探讨相对缺乏。顾客对产品价值的感知直接会影响到顾客对产品的评价或情感态度。因为价值会驱动顾客产生满意度，顾客感知价值是消费者情感联结和判断的直接前因，情感联结会影响顾客对产品的评判，因此，顾客感知价值会通过自我—人工智能的情感联结间接的影响顾客满意度，进而进一步影响消费者的行为倾向。Zeithaml[8]从消费者心理出发，证明消费者对产品（服务）的感知利得因素越高时，对产品的感知价值也随之提高，高的感知价值会提升顾客对产品（服务）的评价，产生更高的满意度。基于此，提出如下假设：
H1.顾客感知价值正向影响顾客满意度。
-
随着传感技术的进步，智能化人机交互程度提升，智能环境下的人机关系也发生改变。Huang和Philp[20]认为用户可以与人工智能服务产生情感交互，他们最早在人工智能服务领域提出自我—人工智能联结（self-AI connection）的概念，其认为AI服务通过传感器收集消费者信息，更能反映消费者是谁，他们需要什么以及他们将享受什么，因此消费者会感到与AI有联系[20-22]。在此基础上，结合自我—品牌联结的定义，本研究提出自我—人工智能联结是指用户借用产品的特征、形象来构建、强化和表达自我的程度。
为证明用户与AI产品存在心理联系，本文参考了消费者和品牌关系、人机交互的相关研究。其中，Belk[23]、Fournier[24]、Groom等[25]从自我建构理论和社会心理学出发，认为人们倾向于各种物体建立联系，甚至是将自身延伸到各种事物（产品、品牌、机器人等）中。当消费者和品牌的特质相似度很高时，消费者很可能与品牌建立联系，并将其融入自我概念中，被称之为“自我—品牌联结”。有关人机交互的研究也提供证明：人们可以将机器人和虚拟形象融入消费者的自我概念中。此外，Huang和Philp[20]提出，人们与和自己相似的机器人互动时，会认为他们的部分人格特质与机器人重叠；在虚拟世界中，用户在操纵虚拟化身时，会将身体形象、性别、性格等自我特质加入虚拟化身，并认为化身与自我更为相关。鉴于AI产品通常使用用户信息来模仿和预测个人偏好，因此本研究认为用户在与AI产品进行交互时，会认为这些AI产品与自己紧密相关，即自我—人工智能智能联结作用。
以往的研究表明，消费者往往会选择那些象征意义、品牌形象较好、功能价值更高的产品，在消费和使用后会产生特定联想来表达自我概念，定义自我形象[26]。顾客对AI产品的感知价值越高，从而产生更高的认同，而对AI产品（服务）的认同有助于产品与用户之间建立一段稳固而密切的关系。在AI产品市场，顾客所关注的信息、所得到的体验、所选择的产品的象征意义均有所不同，感知价值不同，顾客认为其能表达自我的程度也不同。因此本研究认为顾客感知价值会对自我—人工智能联结有正向影响。
自我—人工智能联结作用可以作为顾客满意度产生的心理机制。自我—人工智能联结作用对于用户个人而言具有自我概念和情感的双重意义。当产品能够为用户提供其产品价值和用户自我感知的双重效益时，顾客会对产品产生更高的情感联系，并认为其更能表达自我。在情感加持的作用下，顾客对产品的态度通常是正面的、积极的、肯定的，这些积极情感会在一定程度上提升顾客对产品的满意度。
根据认知—情感模型，顾客满意度取决于消费者的主观认知的同时，也取决于消费者的情感联结。认知—情感模型为本研究在探讨顾客感知价值对顾客满意度的影响提供了理论基础，顾客满意度被视为主观认知和情感联结的共同作用。因此，将自我—人工智能联结作为顾客感知价值和顾客满意度之间的中介变量是合适的。Wang等[15]的研究证明，消费者对消费经历的认知会影响其情感反应与评价的形成过程。自我—人工智能联结可以视为顾客满意度的部分心理机制，自我—人工智能联结对用户来说拥有自我建构和情感联结两重作用，当顾客对产品的感知和对自我的感知有相似点时，顾客就会认为产品可以满足和实现他们进行自我建构的需求，在此情景下，顾客在对产品进行评价时，更容易产生积极、满意的评价。基于上述探讨，提出如下假设：
H2.顾客感知价值对自我—人工智能联结有正向影响；
H3.自我—人工智能联结作用对顾客满意度有正向影响；
H4.自我—人工智能联结在顾客感知价值对顾客满意度的影响效应中起中介作用。
-
个性化服务在生活中随处可见，致力于提高用户的生活质量，如个性化内容推荐、定制化旅游攻略、健康服务等。顾客在获取产品服务的过程中会伴随着复杂的交互行为，而个性化服务的提供会加深用户对交互过程的感知，因此个性化服务是衡量顾客满意度的重要指标之一，也是AI产品市场的重点发展方向。Gram-Hanssen和Darby[27]提出AI产品可以通过数学建模方法，分析传感器采集的环境信息与用户生理信息，为用户提供舒适且安全的服务，与此同时，当用户的选择发生改变时，AI产品可基于深度学习算法，进行主动地服务。用户的核心需求随着AI产品技术的发展发生改变，从早期的 “人机互动”“快速响应”转变为 “个性化响应”。
根据自我一致性理论，消费者会偏爱与自我概念相吻合的产品。Sirgy[28]认为消费者在消费过程中，会把对自我的定义与对产品的感知进行比较，如果可以通过该产品感受到与自我概念的相似性或统一性，消费者就会认为该产品更好地诠释了自己，从而对该产品产生积极的情感联系，促使其对产品产生正面评价。自我概念对个体而言极为重要，消费者渴望与向外界传达自我的概念，也希望外界能给予响应和认同，产品所能提供的个性化服务作为一种媒介帮助消费者进行自我的诠释，同时也作为一种信号，传达了产品对于消费者个体的尊重[29-31]。同时，产品的个性化服务往往是采集并分析用户以往的信息所提供的，基于消费者的自我认同所产生的晕轮效应，用户对产品的感知价值越高，自我认同度越高，进而自我—人工智能的情感联结程度就越高。基于此，提出如下假设：
H5.个性化服务在顾客感知价值和自我—人工智能联结之间关系中起调节作用。
根据上述理论基础和研究假设，提出图1所示的研究框架模型。
图 1顾客感知价值对顾客满意度的影响模型图
-
本研究通过问卷调查的方法对研究假设进行检验，探究顾客感知价值和顾客满意度之间的关系，考虑自我—人工智能联结的中介作用。本研究的因变量为顾客满意度，自变量为顾客感知价值，中介变量为自我—人工智能联结作用，调节变量为个性化服务，控制变量包含顾客的性别、年龄、职业、受教育程度、家居产品的品类、收入。对变量的测度均沿用了过去学者的相关量表。
-
在正式问卷的发放前先进行小范围的预测试，预试筛选出所需要的AI产品、判断网络问卷的质量、测量问卷的信效度、检验引导语的客观性和启动作用。在预测试问卷的结尾收集被调查者对该问卷的建议。问卷开头设置了甄别题，即“你所使用的智能家居产品为……”，选择“无智能家居产品”的被调查者将被终止作答，预测试中共收集96份数据，其中有效问卷54份，根据问卷作答情况和被调查者建议，进一步简化问卷的引导语，对个性化服务的调节作用检验的实验材料进行进一步修改，实验材料进行单独展示。在此基础上形成正式问卷。
-
本研究所选取的实验材料为AI产品中的智能家居产品，将使用过智能家居产品的用户作为研究对象，理由是：智能家居市场蓬勃发展，市场空间广阔；疫情催生了“宅经济”的快速发展，智能家居因其无接触式的交互方式正成为生活流行品、消费新趋势。智能家居作为人工智能产业中重要的一环，已经悄然“飞入寻常百姓家”，购买过智能家居产品的用户数量大，智能家居产品也是消费者较为容易接触到的AI产品，因此选择购买过智能家居产品的用户作为调查对象，有较高的代表性，且经济成本较低。
1. 自变量
自变量为顾客感知价值（customer perceived value）。 对顾客感知价值的变量测量选取Sweeney和Soutar[16]的量表。将顾客感知价值划分为三个维度：功能性价值、享乐性价值、社会性价值，各自对应四个测量题项，如表1所示。功能性价值是对产品价格、质量、功能等产品特质的感知；享乐性价值是对产品使用过程所带来的愉悦性、轻松感的感知；社会性感知价值是对产品的社会评价。被调查者根据自己的使用感受在“1-完全不同意”到“7-完全同意”的范围内进行打分。
表 1变量测量量表
测量指标 测量项目 量表来源 功能价值 该产品物美价廉 Sweeney和Soutar[16] 该产品是我所需要的 该产品使用简单方便 该产品达到我预期的质量标准 享乐价值 使用该产品让我心情愉悦 Sweeney和Soutar[16] 使用该产品让我感觉充满乐趣 使用该产品让我更加享受生活 使用该产品让我觉得很温馨 社会价值 使用该产品有助于我给他人留下好印象 Sweeney和Soutar[16] 使用该产品能够让我更受欢迎 该产品能够让我赢得更多赞美 使用该产品有助于我获得他人认同 自我—人工智能联结 该产品反映了我的一部分以及我是谁 Huang和Philp[20] 我觉得我与该产品有个人联系 顾客满意度 总体来说我对该产品感觉满意 Fornell等[32] 与预期相比，我认为该产品与我的预期很接近 总体来说，选择该产品是一个正确的决定 2. 因变量
本研究的因变量是顾客满意度（customer satisfaction）。对此变量的测量采用Fornell等[32]的量表，共三个测量题项，如表1所示。1表示“完全不同意”，7表示“完全同意”，得分越高，表明顾客满意度越高。
3. 中介变量
本文的中介变量是自我—人工智能联结（self-AI connection），即顾客感知价值会直接影响自我—人工智能的情感联结，进而影响顾客满意度。对自我—人工智能联结作用的测量借鉴了自我—品牌联结量表以及Huang和Philp[20]的实验研究，共两个题项“该智能家居产品反映了我的一部分以及我是谁”“我觉得自己与我的智能家居产品有个人联系”。被调查者根据三个不同的语意差态量表，在“1-完全不同意”~“7-完全同意”的范围内进行评分，评分越高表明用户的自我—人工智能联结程度越高。
4. 调节变量
本研究的调节变量是个性化服务（personalized service），为分类变量：“有个性化服务”和“无个性化服务”。根据两幅同类同质图片的选择结果，被调查者被随机划分为两组。有个性化服务的调查组将看到一段文字“您的智能家居产品可根据您以往的习惯、爱好为您推荐……”；另一组无个性化服务被调查者将看到“您的智能家居产品可根据专家（大数据、您的朋友等）的建议为您推荐……”。
-
本次调查运用问卷星系统以网络问卷形式展开，将问卷的链接发布在朋友圈、微博等社交媒体，邀请相关用户填写问卷。共回收950份问卷，剔除过去没有智能家居产品使用经历和问卷填写不完整的样本，最终得到有效样本868份，有585位被调查组被分置有个性化服务组，283人被分入无个性化服务组，问卷回收率为91.4%。
-
信度分析采用Cronbach’sα系数对问卷数据的可靠性和一致性进行检验，如表2所示，各变量的Cronbach’sα系数都在0.8以上，表明该量表的信度较好，测量结果具有较强的稳定性。同时，本文使用探索性因子分析来检验问卷的效度，首先通过KMO度量和Bartlett检验，本问卷的KMO值大于0.8，Bartlett检验p值小于0.05，效度较好；在因子分析过程中共同度值均高于0.4，因子载荷系数均高于0.5，5个因子的方差解释率值分别是20.764%、13.687%、21.508%、12.048%和15.323%，旋转后累积方差解释率为83.331%>50%，说明题项信息可以被有效提取，本研究的数据结果具有较强的真实性和有效性。综上，如表2所示，本研究使用的量表信效度表现良好，可以进一步进行假设检验。
表 2信效度检验结果汇总表
名称 因子载荷系数 共同度（公因子方差） Cronbachα系数 因子1 因子2 因子3 因子4 因子5 享乐价值1 0.824 0.883 0.915 享乐价值2 0.743 0.817 享乐价值3 0.698 0.800 享乐价值4 0.673 0.808 功能价值1 0.607 0.860 0.910 功能价值2 0.561 0.807 功能价值3 0.659 0.795 功能价值4 0.579 0.833 社会价值1 0.724 0.854 0.928 社会价值2 0.745 0.837 社会价值3 0.773 0.850 社会价值4 0.737 0.835 自我—人工智能1 0.662 0.866 0.837 自我—人工智能2 0.680 0.870 满意度1 0.572 0.784 0.902 满意度2 0.702 0.860 满意度3 0.581 0.806 特征根值（旋转前） 0.929 0.542 11.661 0.448 0.586 — — 方差解释率（旋转前）/% 5.470 3.190 68.600 2.640 3.450 — — 累积方差解释率（旋转前）/% 74.060 80.700 68.600 83.330 77.510 — — 特征根值（旋转后） 3.530 2.327 3.656 2.048 2.605 — — 方差解释率（旋转后）/% 20.760 13.690 21.510 12.050 15.320 — — 累积方差解释率（旋转后）/% 42.270 71.280 21.510 83.330 57.600 — — KMO值 0.970 — — 巴特球形值 14 865.633 — — df 136 — — p值 0 — — -
在验证前文所提出的研究假设之前，本文先探索了各变量间的相关关系。依据Pearson相关系数对样本做相关性分析，由表3可以看出顾客感知价值的三个维度（功能性价值、享乐性价值、社会性价值）对顾客满意度均有正向影响，顾客感知价值对自我—人工智能的联结作用具有显著的正向影响，且自我—人工智能联结对满意度有显著的正向影响。根据相关分析的结果，假设H1、H2、H3得到验证。相关分析展现的是变量间简单的基本关系，不能深刻反映多变量间的复杂关系，因此，本文会在后续对自变量、因变量和中介变量的关系做进一步的探究。
表 3变量的相关分析结果表
变量 1 2 3 4 5 6 7 8 9 10 11 12 满意度（1） 1 感知价值（2） 0.865** 1 自我—人工智能（3） 0.850** 0.859** 1 功能价值（4） 0.839** 0.944** 0.810** 1 享乐价值（5） 0.771** 0.914** 0.803** 0.802** 1 社会价值（6） 0.795** 0.920** 0.774** 0.831** 0.728** 1 性别（7） 0.025 0.013 0.04 0.032 0.061 −0.058 1 年龄（8） 0.036 0.066 0.017 0.06 0.033 0.090** −0.029 1 职业（9） 0.046 0.049 0.051 0.043 0.042 0.05 0.019 0.143** 1 教育程度（10） 0.034 0.038 0.059 0.038 0.064 0.002 0.043 0.161** −0.008 1 智能家居种类（11） −0.022 −0.035 −0.035 −0.031 −0.059 −0.006 −0.045 0.093** 0.098** 0.003 1 使用时间（12） 0.122** 0.148** 0.113** 0.127** 0.126** 0.156** −0.059 0.204** 0.128** 0.211** 0.138** 1 注：*表示p<0.05，**表示p<0.01。 -
对自我—人工智能联结进行中介效应分析，首先以满意度为因变量Y，以顾客感知价值为自变量X，检验回归系数为0.893**，回归系数显著；继而以自我—人工智能联结为自变量，以顾客感知价值为因变量，检验回归系数为0.922**，回归系数显著；最后以顾客满意度为因变量，检验自变量与中介变量的回归系数，由表4可知，自我—人工智能的联结作用在顾客感知价值和顾客满意度中间起部分中介作用，中介效应占总效应的55.98%。运用Bootstrap抽样检验法进行进一步的中介作用验证，95%区间并不包括数字0（95% CI:0.430～0.564），如表5所示，再次验证自我—人工智能联结具有部分中介作用。感知价值首先会对自我—人工智能产生影响，然后通过自我—人工智能再去影响满意度。H4得到验证。
表 4中介效应检验结果表
名称 自我—人工智能 满意度 满意度 B 标准误 t p B 标准误 t p B 感知价值 0.922** 0.019 49,469 0 0.893** 0.016 57.258 0 0.393** 自我—人工智能 0.542** R2 0.739 0.791 0.879 调整R2 0.738 0.791 0.878 F值 F(1,866)=2 447.147,p=0.000 F(1,866)=3 278.529,p=0.000 F(2,865)=3 134.792,p=0.000 注：*表示p<0.05，**表示p<0.01。 表 5间接效应检验结果表
项 Effect Boot SE BootLLCI BootULCI z p 感知价值$ \Rightarrow $自我—人工智能$ \Rightarrow $满意度 0.5 0.033 0.430 0.564 14.948 0 注：BootLLCI指Bootstrap抽样95%区间下限，BootULCI指Bootstrap抽样95%区间上限。 -
本文的调节效应主要关注的是个性化服务对顾客感知价值与自我—人工智能联结之间关系的调节影响。在本研究中，为进行有效启动，将个性化服务定为分类变量：“有个性化服务”“无个性化服务”；且本研究认为调节效应主要作用于用户对智能家居产品的整体感知价值与自我—人工智能联结的关系中，对顾客感知价值下的各个维度对自我—人工智能联结的调节效应没有深入探究。因调节变量属于分类变量，本研究运用分层回归方法对调节效应进行检验。
将顾客感知价值作为自变量，而将自我—人工智能联结作为因变量进行线性回归分析，根据表6的数据结果可知，模型R2值为0.740，意味着顾客感知价值可以解释自我—人工智能联结的74.0%变化原因。对模型进行F检验时发现模型通过F检验（F=2 459.863，p<0.05），也证明了顾客感知价值一定会对自我—人工智能产生正向影响关系。在模型1的基础上加入个性化服务后，F值变化呈现出显著性(p<0.05)，意味着个性化服务作为变量加入后对模型具有解释意义。另外，R2值由0.740上升到0.771，意味着个性化服务可对自我—人工智能产生3.1%的解释力度。个性化服务的回归系数值为0.190，并且呈现出显著性（t=10.807，p=0.000<0.01），意味着个性化服务会对自我—人工智能产生显著的正向影响关系。在模型2的基础上加入交互项后，F值变化呈现出显著性（p<0.05），R2值由0.771上升到0.773，意味着交互项的加入对模型有一定的解释力度。交互项的回归系数值为−0.051，并且呈现出显著性（t=−2.931，p=0.003<0.01），意味着交互作用会对自我—人工智能产生显著的负向影响。
表 6调节作用检验结果表
名称 分层1 分层2 分层3 B 标准误 t p B 标准误 t p B 标准误 t p 感知价值 0.926** 0.019 49.597 0 0.922** 0.018 52.531 0 0.921** 0.017 52.703 0 个性化有无 0.190** 0.018 10.807 0 0.189** 0.017 10.790 0 感知价值×个性化服务 −0.051** 0.017 −2.931 0.003 R2 0.740 0.771 0.773 调整R2 0.739 0.770 0.772 F值 F(1,866)=2 459.863,p=0.000 F(2,865)=1 452.762,p=0.000 F(3,864)=979.872,p=0.000 ΔR2 0.740 0.031 0.002 ΔF值 F(1,866)=2 459.863,p=0.000 F(1,865)=116.782,p=0.000 F(1,864)=8.592,p=0.003 注：*表示p<0.05，**表示p<0.01。 H5得到了部分验证，个性化服务具有调节作用，但交互作用对自我-人工智能联结的负向影响与假设不符。本研究发现为当AI产品提供个性化服务时，顾客如果仅从接受服务的角度出发，用户会感受到企业或产品对于个体的尊重，并因个性化服务所带来的相似性而产生更高程度情感联结作用。但一旦个性化服务与产品的整体感知价值产生交互作用时，产品提供个性化服务需要通过各类传感器收集并利用大数据和计算机算法分析消费者的个人信息，这会增强消费者的隐私泄露的风险感知。同时，为提高个性化服务的交互性，AI产品多采用主动交互、内容推荐等方式，用户所接收的信息增多，也会随之产生更多的顾虑，增加了信息处理的负担；此外，“恐怖谷理论”也为本研究提供了思考方向，该理论表明人们会亲和与自己相似的事物，但当事物与自然的人或动物非常相似，但不完全相似的时候，在某一个临界点，部分人的亲和反应会瞬间跌落，并产生排斥、恐惧、困惑等负面心理。这将对用户的自我建构不利，从而影响用户与AI产品的情感联结作用[33-35]。
-
运用结构方程模型对数据进行进一步模型拟合检验，并根据模型回归系数和模型拟合指标数据，判断变量之间的影响关系和模型的拟合效果。由表7可知，标准化回归系数显著且大于0.6，感知价值对自我—人工智能联结作用、顾客满意度均产生正向的影响关系，自我-人工智能联结作用对顾客满意度产生显著的正向影响关系。表8展示了模型拟合效果情况，其中卡方自由度为2.24，小于3，模型拟合效果良好。同时，RMR为0.046小于0.05；CFI、NFI、NNFI均大于0.9；RMSEA为0.098小于0.1；GFI为0.859小于0.9，但接近于0.9；指标结果显示，模型构建良好，模型结果可靠。根据数据结果，整理顾客感知价值对顾客满意度的模型结果图，如图2所示，模型假设得以验证。
表 7结构方程模型回归系数汇总表
X → Y 标准化回归系数 SE z（CR值） p 感知价值 → 自我—人工智能联结 0.89 0.012 82.076 0.000 感知价值 → 顾客满意度 0.82 0.010 95.021 0.000 自我—人工智能联结 → 顾客满意度 0.83 0.010 85.149 0.000 注：→表示回归影响关系。 表 8模型拟合指标结果表
常用指标 χ2 df p 卡方自由度比χ2/df GFI RMSEA RMR CFI NFI NNFI TLI IFI SRMR 值 260.382 116 0.000 2.240 0.859 0.098 0.046 0.972 0.97 0.968 0.968 0.972 0.006 
图 2顾客感知价值对顾客满意度的模型结果图
-
本文基于AI产品快速普及的背景，探究了顾客感知价值对顾客满意度的影响。结果显示，消费者对产品的功能性价值、享乐性价值、社会性价值感知越高，顾客对产品的满意度也会越高。顾客感知价值通过自我和人工智能的情感联结作用会部分影响顾客满意度。产品的个性化服务对消费者和产品之间的情感联结关系起调节作用。
1. 顾客对产品的满意度是基于事实和主观认知双重影响的判断结果。对于顾客满意度的探究，不能仅从消费者的视角，也要考虑产品本身的因素。因此，本文采取整体分类方式将顾客感知价值划分为三个维度，将产品因素和消费者心理融合[16]。
2. 根据社会心理学，人具有情感，在社会生活中需要情感联系；根据人格心理学，弗洛伊德提出的心理防御机制理论，人在进行自我建构的过程中需要启动心里防御机制，会将情感投射、转移、补偿或否认至其他事物。AI产品的拟人化和智能化特征提高了产品的交互性能[36]，消费者在人机交互的过程中会因情感和自我建构的需求，将AI产品好的感知体验归因或投射于自身：“我的选择是正确的……”“它象征着它的使用者是有眼光的……” “它表明了我的态度……”等[37]。而对产品不好的感知，消费者会将不满转移至产品本身，进一步否认该产品“这个产品本身存在问题……”“这不是我的原因，是产品……”；顾客对产品的感知价值越高，对于顾客的自我建构更为有利，自我建构的完善[38]，进一步加强自我—人工智能的联结作用，反之相反。
3. 有趣的一点是，对于拟人化程度更高的产品，消费者对产品的宽容度也会更高[39]，如在AI产品响应服务失败的场景下，相比于拟人化程度低的AI产品，消费者对拟人化程度高的产品的态度会有一定差异性。面对低拟人化产品的响应失败，消费者会认为产品“不智能、不实用、是没用的”；而对高拟人化的产品，消费者会为产品加上情感色彩“有趣、可爱、还需要进步”。这是因为高拟人化的AI产品具备更强的交互性能，这有助于加强消费者自我—人工智能的情感联结作用，在情感作用下，顾客的产品的正面评价会加强，同时有助于产品的服务补救。综上，验证了自我—人工智能的联结作用在顾客感知价值和顾客满意度之间起到了部分中介作用。
4. 众多企业转战AI产品市场，前有如小米、阿里巴巴、百度、京东等大厂，后有无数小厂试图挤进这片战场，企业如何才能脱颖而出？发展自己的“异质性”，为抢占市场，得到消费者的青睐，企业希望能够加强消费者与产品的联系，从而提升顾客满意度和品牌忠诚度。个性化服务能够满足不同消费者的需求。因此，企业试图投入大量的具备个性化服务功能的产品，以加强消费者的自我—人工智能的情感联结作用。本研究也验证了个性化服务对人与产品情感联结关系的调节作用，但目前而言，此举带来效益的同时，也具备一定的风险。如何降低消费者的风险感知、规避恐怖谷效应、降低消费者信息处理负担成为企业需要解决的难题。AI产品企业在决定实施个性化、定制化战略之前，要谨慎地全面地多角度地衡量此战略的风险与效益。
-
本文在认知—情感模型的指导下，进行了实证研究，分析了顾客感知价值对顾客满意度的影响，验证了自我—人工智能联结的中介作用。主要有以下几点理论贡献。
1. 在理论上完善了AI产品顾客满意度的评判机制。根据现有的理论基础，指出顾客满意度是认知和情感的共同作用。基于实证分析，构建了顾客感知价值对顾客满意度的影响机制的理论模型，并测算了自我—人工智能联结作用对顾客满意度的影响。本研究扩展并丰富了营销领域现有的顾客满意度的相关研究。
2. 研究模型和结论更能体现AI产品的消费特征。本研究从用户角度出发，以智能家居产品为例，结合人机交互理论、AI产品营销现状，发现并提出用户和AI产品之间存在情感联结机制，即自我—人工智能联结，为消费者行为研究提供了新的理论依据。
3. 发现个性化服务对消费者与产品的情感联结有调节作用，但个性化与顾客感知价值的交互作用却对情感联结产生负向影响，并依据“恐怖谷理论”和“风险感知”视角对此现象进行解释。此现象为定制化服务、个性化服务等理论研究提供了新的研究视角。
-
1. 人工智能产品赛道的战鼓已越敲越烈，想要抢滩智能产品市场，企业需要提出更多可具实操性及竞争力的战略对策。AI企业需要站在消费者的需求角度去思考，了解消费者对 AI产品的感知价值，进而通过提升顾客感知价值来增强消费者对 AI产品的满意度。此研究有助于企业准确认识顾客感知价值的三个维度，合理对待消费者产品价值诉求，并引导消费者对产品做出更高的评价。
2. 从人机交互角度，探究顾客感知价值和顾客满意度之间的情感机理，发现顾客与人工智能产品之间会形成一种情感联结，即自我—人工智能的联结作用，并通过增添个性化的服务可以加强此情感联结。这有助于AI企业更好地结合自身特点，有针对性的进行人工智能产品开发，避免陷入“同质化”的困境。
3. 本文也警示企业在进行个性化的服务提供中，把握适当的分寸。提供个性化的服务并不是百利而无一害的，存在一定的风险，顾客对个人隐私泄露的风险感知、或对AI产品的高度拟人化的恐惧都会影响个性化服务的实施效果。
-
顾客满意度会受到多种因素的影响，本文从顾客感知价值（功能价值、享乐价值、社会价值）进行分析。但消费者的对AI产品等新事物的接纳程度，对新技术的敏感性、对风险的感知等都会影响顾客满意度的形成。这些因素在本研究中没有纳入基本模型中，希望在往后的学术生涯中进一步完善。
本研究是基于AI产品中的智能家居产品进行数据收集和分析，研究结论是否适用于其他品类的AI产品或服务还有待进一步验证。此外个性化服务与顾客感知价值的交互为何会对自我—人工智能联结起到负向影响，本文做了初步的解释，但AI产品所带来的人机交互会给消费者带来“恐怖谷效应”还是“更为贴合自我”“更为亲切”，这其中的临界点在于何处？这都将是未来的研究热点。
Influence of Customer Perceived Value on Customer Satisfaction: The Mediating Role of Self-AI Connection
-
摘要:人工智能应用于产品交互设计，改变了人与产品之间传统的交互方式，消费者在人机交互的过程中会不断构建、强化、表达自我，此过程存在复杂的作用机制并会对消费者的产品感知和评价产生影响。从用户角度出发，运用实验法探究了顾客对人工智能（AI）产品的感知价值（功能价值、享乐价值、社会价值）对顾客满意度产生的正向影响，同时验证了自我—人工智能联结在此关系中的中介作用。此外，验证了AI产品是否提供个性化的服务会影响自我—人工智能联结的程度。具体而言，提供个性化服务会对自我—人工智能联结产生显著的正向影响。但感知价值与个性化服务的交互作用会对自我—人工智能联结产生显著负向影响。Abstract:Artificial intelligence, applied to product interaction design, has changed the traditional interaction between people and products. Consumers will continue to build, strengthen, and express themselves in the process of human-computer interaction. This process has a complex mechanism of action and will affect consumers’ product perception and evaluation. From the perspective of users, this study used experimental methods to explore the positive impact of customers’ perceived value (functional value, hedonic value and social value) of AI products on customer satisfaction, and verified the mediating role of self-artificial intelligence connection in this relationship. In addition, this study verified whether the degree of self-artificial intelligence connection would be affected with or without AI products providing personalized services. Specifically, providing personalized services will have a significant positive impact on self-AI connection. However, the interaction between perceived value and personalized services will have a significant negative impact on self-AI connection.
-
表 1变量测量量表
测量指标 测量项目 量表来源 功能价值 该产品物美价廉 Sweeney和Soutar[16] 该产品是我所需要的 该产品使用简单方便 该产品达到我预期的质量标准 享乐价值 使用该产品让我心情愉悦 Sweeney和Soutar[16] 使用该产品让我感觉充满乐趣 使用该产品让我更加享受生活 使用该产品让我觉得很温馨 社会价值 使用该产品有助于我给他人留下好印象 Sweeney和Soutar[16] 使用该产品能够让我更受欢迎 该产品能够让我赢得更多赞美 使用该产品有助于我获得他人认同 自我—人工智能联结 该产品反映了我的一部分以及我是谁 Huang和Philp[20] 我觉得我与该产品有个人联系 顾客满意度 总体来说我对该产品感觉满意 Fornell等[32] 与预期相比，我认为该产品与我的预期很接近 总体来说，选择该产品是一个正确的决定 
下载:
导出CSV
表 2信效度检验结果汇总表
名称 因子载荷系数 共同度（公因子方差） Cronbachα系数 因子1 因子2 因子3 因子4 因子5 享乐价值1 0.824 0.883 0.915 享乐价值2 0.743 0.817 享乐价值3 0.698 0.800 享乐价值4 0.673 0.808 功能价值1 0.607 0.860 0.910 功能价值2 0.561 0.807 功能价值3 0.659 0.795 功能价值4 0.579 0.833 社会价值1 0.724 0.854 0.928 社会价值2 0.745 0.837 社会价值3 0.773 0.850 社会价值4 0.737 0.835 自我—人工智能1 0.662 0.866 0.837 自我—人工智能2 0.680 0.870 满意度1 0.572 0.784 0.902 满意度2 0.702 0.860 满意度3 0.581 0.806 特征根值（旋转前） 0.929 0.542 11.661 0.448 0.586 — — 方差解释率（旋转前）/% 5.470 3.190 68.600 2.640 3.450 — — 累积方差解释率（旋转前）/% 74.060 80.700 68.600 83.330 77.510 — — 特征根值（旋转后） 3.530 2.327 3.656 2.048 2.605 — — 方差解释率（旋转后）/% 20.760 13.690 21.510 12.050 15.320 — — 累积方差解释率（旋转后）/% 42.270 71.280 21.510 83.330 57.600 — — KMO值 0.970 — — 巴特球形值 14 865.633 — — df 136 — — p值 0 — — 下载:
导出CSV
表 3变量的相关分析结果表
变量 1 2 3 4 5 6 7 8 9 10 11 12 满意度（1） 1 感知价值（2） 0.865** 1 自我—人工智能（3） 0.850** 0.859** 1 功能价值（4） 0.839** 0.944** 0.810** 1 享乐价值（5） 0.771** 0.914** 0.803** 0.802** 1 社会价值（6） 0.795** 0.920** 0.774** 0.831** 0.728** 1 性别（7） 0.025 0.013 0.04 0.032 0.061 −0.058 1 年龄（8） 0.036 0.066 0.017 0.06 0.033 0.090** −0.029 1 职业（9） 0.046 0.049 0.051 0.043 0.042 0.05 0.019 0.143** 1 教育程度（10） 0.034 0.038 0.059 0.038 0.064 0.002 0.043 0.161** −0.008 1 智能家居种类（11） −0.022 −0.035 −0.035 −0.031 −0.059 −0.006 −0.045 0.093** 0.098** 0.003 1 使用时间（12） 0.122** 0.148** 0.113** 0.127** 0.126** 0.156** −0.059 0.204** 0.128** 0.211** 0.138** 1 注：*表示p<0.05，**表示p<0.01。 下载:
导出CSV
表 4中介效应检验结果表
名称 自我—人工智能 满意度 满意度 B 标准误 t p B 标准误 t p B 感知价值 0.922** 0.019 49,469 0 0.893** 0.016 57.258 0 0.393** 自我—人工智能 0.542** R2 0.739 0.791 0.879 调整R2 0.738 0.791 0.878 F值 F(1,866)=2 447.147,p=0.000 F(1,866)=3 278.529,p=0.000 F(2,865)=3 134.792,p=0.000 注：*表示p<0.05，**表示p<0.01。 下载:
导出CSV
表 5间接效应检验结果表
项 Effect Boot SE BootLLCI BootULCI z p 感知价值$ \Rightarrow $自我—人工智能$ \Rightarrow $满意度 0.5 0.033 0.430 0.564 14.948 0 注：BootLLCI指Bootstrap抽样95%区间下限，BootULCI指Bootstrap抽样95%区间上限。 下载:
导出CSV
表 6调节作用检验结果表
名称 分层1 分层2 分层3 B 标准误 t p B 标准误 t p B 标准误 t p 感知价值 0.926** 0.019 49.597 0 0.922** 0.018 52.531 0 0.921** 0.017 52.703 0 个性化有无 0.190** 0.018 10.807 0 0.189** 0.017 10.790 0 感知价值×个性化服务 −0.051** 0.017 −2.931 0.003 R2 0.740 0.771 0.773 调整R2 0.739 0.770 0.772 F值 F(1,866)=2 459.863,p=0.000 F(2,865)=1 452.762,p=0.000 F(3,864)=979.872,p=0.000 ΔR2 0.740 0.031 0.002 ΔF值 F(1,866)=2 459.863,p=0.000 F(1,865)=116.782,p=0.000 F(1,864)=8.592,p=0.003 注：*表示p<0.05，**表示p<0.01。 下载:
导出CSV
表 7结构方程模型回归系数汇总表
X → Y 标准化回归系数 SE z（CR值） p 感知价值 → 自我—人工智能联结 0.89 0.012 82.076 0.000 感知价值 → 顾客满意度 0.82 0.010 95.021 0.000 自我—人工智能联结 → 顾客满意度 0.83 0.010 85.149 0.000 注：→表示回归影响关系。 下载:
导出CSV
表 8模型拟合指标结果表
常用指标 χ2 df p 卡方自由度比χ2/df GFI RMSEA RMR CFI NFI NNFI TLI IFI SRMR 值 260.382 116 0.000 2.240 0.859 0.098 0.046 0.972 0.97 0.968 0.968 0.972 0.006 下载:
导出CSV
-
[1] KIM H, CHAN H, GUPTA S. Value-based adoption of mobile internet: an empirical investigation[J]. Decision Support Systems, 2007, 43(1): 111-126.doi:10.1016/j.dss.2005.05.009 [2] ZEITHAML V A, PARASURAMAN A, BERRY L L. Delivering quality service, balancing customer perceptions and expectations [M]. New York: Simon and Schuster, 1990. [3] BIOCCA F, HARMS C. Defining and measuring social presence: contribution to the networked minds theory and measure[C]//The 5th International Workshop on Presence. Porto: University Fernando Pessoa, 2002. [4] 汪涛, 谢志鹏, 崔楠. 和品牌聊聊天: 拟人化沟通对消费者品牌态度影响[J]. 心理学报, 2014, 46(7): 987-999. [5] GALE B T, WOOD R C. Managing customer value: creating quality and service that customers can see[M]. New York, USA. : Simon and Schuster, 1994, [6] ULAGA W, CHACOUR S. Measuring customer-perceived value in business markets: a prerequisite for marketing strategy development and implementation[J]. Industrial Marketing Management, 2001, 30(6): 525-540.doi:10.1016/S0019-8501(99)00122-4 [7] 董大海, 权晓研, 曲晓飞. 顾客价值及其构成[J]. 大连理工大学学报, 1999, 20(4): 18-20. [8] ZEITHAML V A. Consumer perceptions of price, quality, and value a means-end model and synthesis of evidence [J]. Journal of Marketing, 1988, 52(3): 132-148. [9] 范秀成, 罗海成. 基于顾客感知价值的服务企业竞争力探析[J]. 南开管理评论, 2003, 6(6): 41-45.doi:10.3969/j.issn.1008-3448.2003.06.009 [10] 王伟, 于吉萍, 张善良. 顾客感知价值: 研究述评与展望[J]. 河南工业大学学报(社会科学版), 2018, 14(5): 33-41. [11] PARASURAMAN A, ZEITHAML V A, BERRY L. Servqual: a multiple-item scale for measuring consumer perceptions of service quality[J]. Journal of Retailing, 1988, 64(1): 12-40. [12] MONROE K B. Pricing-making profitable decisions[M]. New York: Mc Graw Hill, 1991. [13] SHETH J N, NEWMAN B I, GROSS B L. Why we buy what we buy: a theory of consumption values[J]. Journal of Business Research, 1991, 22(2): 159-170.doi:10.1016/0148-2963(91)90050-8 [14] KELLER K L. Building customer-based brand equity: a blueprint for creating strong brands[M]. Cambridge, MA: Marketing Science Institute, 2001. [15] WANG Y, LO H P, CHI R, et al. An integrated framework for customer value and customer‐relationship‐management performance: a customer‐based perspective From China[J]. Managing Service Quality: An International Journal, 2004, 14: 169-182. [16] SWEENEY J C, SOUTAR G N. Consumer perceived value: the development of a multiple item scale[J]. Journal of retailing, 2001, 77(2): 203-220.doi:10.1016/S0022-4359(01)00041-0 [17] OLIVER R L. Measurement and evaluation of satisfaction processes in retailing setting[J]. Journal of Retailing, 1981, 57(3): 25-48. [18] 查金祥, 王立生. 网络购物顾客满意度影响因素的实证研究[J]. 管理科学, 2006, 19(1): 50-58. [19] 谢佩洪, 奚红妹, 魏农建, 等. 转型时期我国B2C电子商务中顾客满意度影响因素的实证研究[J]. 科研管理, 2011, 32(10): 109-117. [20] HUANG B, PHILP M. When AI-based services fail: examining the effect of the self-AI connection on willingness to share negative word-of-mouth after service failures[J]. The Service Industries Journal, 2021, 41(13-14): 877-899.doi:10.1080/02642069.2020.1748014 [21] ESCALAS J E. Narrative processing: Building consumer connections to brands[J]. Journal of Consumer Psychology, 2004, 14(1-2): 168-180.doi:10.1207/s15327663jcp1401&2_19 [22] 伟强, 于春玲, 赵平. 参照群体类型与自我—品牌联系[J]. 心理学报, 2009, 41(2): 156-166. [23] BELK R W. Possessions and the extended self[J]. Journal of Consumer Research, 1988, 15(2): 139-168.doi:10.1086/209154 [24] FOURNIER S. Consumers and their brands: Developing relationship theory in consumer research[J]. Journal of Consumer Research, 1998, 24(4): 343-373.doi:10.1086/209515 [25] GROOM V, TAKAYAMA L, OCHI P, et al. I am my robot: the impact of robot-building and robot form on operators[C]//2009 4th ACM/IEEE International Conference on Human-Robot Interaction (HRI). La Jolla, California, USA: IEEE, 2009: 31−36. [26] GAO L, WHEELER S C, SHIV B. The “shaken self”: Product choices as a means of restoring self-view confidence[J]. Journal of Consumer Research, 2009, 36(1): 29-38.doi:10.1086/596028 [27] GRAM-HANSSEN K, DARBY S J. “Home is where the smart is”? evaluating smart home research and approaches against the concept of home[J]. Energy Research & Social Science, 2018, 37: 94-101. [28] SIRGY M J. Self-concept in consumer behavior: a critical review[J]. Journal of Consumer Research, 1982, 9(3): 287-300.doi:10.1086/208924 [29] CHENG S Y Y, WHITE T B, CHAPLIN L N. The effects of self‐brand connections on responses to brand failure: a new look at the consumer-brand relationship[J]. Journal of Consumer Psychology, 2012, 22(2): 280-288.doi:10.1016/j.jcps.2011.05.005 [30] 胡慕海, 蔡淑琴, 张宇. 面向个性化推荐的情景化用户偏好研究[J]. 管理学报, 2010, 29(10): 157-162. [31] 董大海, 杨毅. 网络环境下消费者感知价值的理论剖析[J]. 管理学报, 2008(6): 856-861. [32] FORNELL C. A national customer satisfaction barometer: the swedish experience[J]. Journal of Marketing, 1992, 56(1): 6-21.doi:10.1177/002224299205600103 [33] FENG S, SETOODEH P, HAYKIN S. Smart home: cognitive interactive people-centric internet of things[J]. IEEE Communications Magazine, 2017, 55(2): 34-39.doi:10.1109/MCOM.2017.1600682CM [34] BRUSH A J B, LEE B, MAHAJAN R, et al. Home automation in the wild: challenges and opportunities[C]//proceedings of the SIGCHI Conference on Human Factors in Computing Systems. Vancouver, Canada: ACM, 2011: 2115−2124, [35] NAG D, MAJUMDER D, RAQUIB C M, et al. Green energy powered smart healthy home[C]//2017 8th Annual Industrial Automation and Electromechanical Engineering Conference (IEMECON). Cebu, Philippines: IEEE, 2017: 47−51. [36] 李伟, 颜清, 苗苗, 等. 拟人化广告形象契合与视觉对象结构: 基于自我建构的眼动研究[J]. 营销科学学报, 2019, 15(2): 116-131. [37] 吴莹皓, 蒋晶. 仆人还是伙伴: 拟人化品牌角色对社会排斥影响的缓解作用[J]. 营销科学学报, 2018, 14(1): 44-57. [38] 洪瑞阳, 吴水龙, 袁永娜, 等. 社会身份信息一致性对消费者购买意向的影响研究: 基于社交网络品牌支持者的口碑情境[J]. 营销科学学报, 2017(4): 67-82. [39] 李世豪, 张红霞, 王雪芳, 等. 接近还是远离: 不同信息类型下孤独感对拟人化产品偏好的影响[J]. 营销科学学报, 2017, 13(4): 1-17. -
点击查看大图
图(2)/
表 (8)
计量
- 文章访问数:43
- HTML全文浏览量:14
- PDF下载量:5
- 被引次数:0
